Gestion intelligente du trafic de données agricoles par UAV via l’apprentissage par renforcement

Abstract

Ce mémoire traite de l’utilisation des techniques d’apprentissage par renforcement (Rein- forcement Learning) pour la collecte efficace de données dans un environnement agricole a` l’aide de drones (UAVs). L’étude s’intéresse particulièrement a` l’optimisation de deux aspects critiques : la consommation énergétique des UAVs et la minimisation du délai de collecte , tout en assurant une couverture maximale des capteurs IoT déployés dans les champs. Le document présente une simulation compléte mettant en œuvre différents algorithmes tels que PPO (Proximal Policy Optimization) et DDPG (Deep Deterministic Policy Gradient) . Ces méthodes permettent aux UAVs d’apprendre des politiques opti- males pour visiter les capteurs, en fonction de leur état énergétique, de leur localisation et de la priorité des données. Les résultats montrent que l’utilisation de l’apprentissage par renforcement améliore significativement l’efficacité énergétique et r´eduit les délais de traitement, comparé aux approches classiques comme les stratéegies aléatoires ou gloutonnes.